企业官网建设流程全解析

目录

色度色域最大化算法（Chromaticity Gamut Maximization）

1、算法背景与物理直觉

2、输入、输出定义

3、完整算法分步流程

步骤① 遍历全部候选白点集合(C_{CCT})

步骤② 找到基础最大色域

步骤③ 鲁棒增强（论文核心改进，处理多峰值 / 宽平顶情况）

4、在 CCIC 整体链路中的位置

5、该算法的优缺点

6、和其他同类算法的关系

7、工程复现注意点

色度色域最大化算法（Chromaticity Gamut Maximization）

出处：论文《Color constancy by characterization of illumination chromaticity》 2.2.2 节，是 CCIC 算法第一步 CCT 候选区间压缩的其中一个子模块，输出为色温估计。 作用：在不依赖图像中性灰色块的前提下，从候选色温集合里选出 “最合理的照明色温候选”，和灰度世界、照度约束一起共同收缩 CCT 搜索窗口。

1、算法背景与物理直觉

核心假设

如果选用的白平衡白点（照明色度）越接近真实场景光源，经过白平衡 + 色彩空间转换之后，图像的色度色域覆盖范围就越大；错误的白点会压缩图像色度分布。

1. 相机原始 RAW 图像是传感器 RGB 空间，不能直接评判颜色丰富度，需要做两步操作： ① 使用待评估候选白点做冯‑克里斯对角白平衡增益校正； ② 执行「传感器 RGB → sRGB」的色彩转换矩阵运算。
2. 若候选白点 = 真实照明：场景内物体的色彩可以被完整展开，各色物体分布散开，色度色域面积最大。
3. 若候选白点严重偏离真实照明：会引入整体偏色，色彩转换把大量像素挤压到狭小色度区域，色域面积被压缩。

论文特别指出一种典型现象（针对通道光谱高度重叠、对角模型失效的廉价相机模组）：

• 评估白点 CCT过高（偏蓝）：图像整体偏红，大量像素被挤压到红调区域，色域被压缩；
• 评估白点 CCT过低（偏红）：图像整体偏蓝，大量像素被挤压到蓝调区域，色域被压缩。

⚠️适用边界： ✅适合：图像内物体色彩种类丰富、多样； ❌缺陷：图像物体颜色很少（实验室纯色布景），色域面积不会出现单一尖锐峰值，会出现多个候选白点得到接近的大色域面积。论文专门针对该缺陷做了鲁棒增强处理。

2、输入、输出定义

输入

1. 预处理后线性 RAW 图像；
2. ：28 个离散候选光源色度集合，每个元素对应一个 CCT，是标定好的传感器色度；
3. 传感器 RGB 转 sRGB 固定色彩转换矩阵；
4. 灰度世界输出的色温估计（用于鲁棒后处理）。

输出

：色域最大化得到的候选相关色温，用于后续压缩 CCT 搜索区间。

3、完整算法分步流程

步骤① 遍历全部候选白点集合

对集合中每一个候选照明色度点：

1. 根据候选色度，构造对角白平衡增益矩阵：
2. 将图像全部像素做白平衡校正：
3. 使用相机‑to‑sRGB 色彩矩阵，把白平衡之后像素转换到 sRGB 色彩空间；
4. 提取转换后全部有效像素的二维色度（一般取 (r/g,b/g) 或者 sRGB 的 xy 色度，抛弃亮度信息）；
5. 计算这一组色度点构成的色度色域的面积。

关键点：计算的是色度色域面积，不包含亮度维度，只看色彩的散布范围。

工程优化提示：不需要全分辨率图像，CCIC 整套算法都可以在低分辨率网格图像上完成该遍历计算，降低计算开销。

步骤② 找到基础最大色域

记产生对应的色温为。

步骤③ 鲁棒增强（论文核心改进，处理多峰值 / 宽平顶情况）

触发条件：存在多个候选白点，色域面积都很高，没有唯一尖锐最大值。 判断条件：找出所有满足的候选点集合。 再施加约束：集合内的色温，必须落在和两者之间。

• 如果满足条件的候选集合非空：对这批候选色温取算术平均，作为最终输出。
• 如果没有满足条件的多个候选：直接取。

为什么要加 “介于之间” 这条约束？ 防止一些和灰度世界估计偏离很远、但碰巧色域也很大的异常候选被纳入平均，抑制离群候选。

4、在 CCIC 整体链路中的位置

输入RAW图像 ↓ ┌───────────────────┐ │ Step1 缩小CCT候选区间 │ │ ├─灰度世界 → CCT_GW │ │ ├─【色度色域最大化 → CCT_GMAX】 ←本模块 │ └─照度估计 → [CCT_LUXLO, CCT_LUXHI] └─────────┬─────────┘ ↓ 启发式融合（以5500K为安全中心点）输出最终CCT搜索窗口 ↓ Step2 低分辨率网格检测中性块 ↓ Step3 多路加权融合，输出白平衡增益

5、该算法的优缺点

✅优点

1. 不需要检测图像存在中性灰色物体，完全依靠色彩分布范围做光源估计；
2. 和灰度世界属于不同的假设体系，二者互为补充；灰度世界假设 “色彩均值为灰”；色域最大化假设 “正确白点可以最大化色彩散布”；
3. 可以在低分辨率网格运行，计算代价可控，适配嵌入式相机；
4. 增加 95% 面积阈值 + 区间约束的鲁棒逻辑，改善多峰值失效。

❌缺点

1. 图像色彩种类很少时效果变差：纯色布景实验室图片容易出现多个峰值，输出不可靠；
2. 依赖传感器 RGB 到 sRGB 的色彩转换矩阵，如果矩阵标定不准，色域面积计算本身就引入偏差；
3. 对角模型严重失效的模组下，色彩转换放大错误白点带来的偏色，虽然有效果，但噪声会增大。

6、和其他同类算法的关系

论文引用 D.Forsyth 的色域映射理论（Ref 19）。传统 GCIE（色域约束光源估计）是：已知物体全部反射色域，反向求解哪些光源可以把物体映射到观测图像，需要标定完整物体色域，标定成本高，对角模型失效时性能暴跌。

⚠️注意区分二者：

• GCIE：标定物体反射色域，反向求解光源；
• 本论文的「色度色域最大化」：不标定物体色域；遍历候选光源，看经过白平衡 + 色彩转换后图像本身的色度展开得有多大，是前向评估，仅使用光源候选集合\(C_{CCT}\)。

7、工程复现注意点

1. 输入必须是线性 RAW，不能是伽马压缩后的图像；伽马非线性会扭曲色度分布，导致色域面积计算完全错误。
2. 色域面积计算要剔除饱和像素，饱和像素色度无效；
3. 不需要精细凸包计算，工程上可以使用二维直方图统计覆盖 bin 数量近似代表色域面积，大幅降低运算；
4. 本模块输出只是候选色温值，不是最终白平衡结果；它仅仅用来压缩后续搜索窗口，不会直接输出白平衡增益。